RESUMEN

  1. Presentación del contexto y objetivos
  1. Breve introducción a series de tiempo
  1. Presentación de las series analizadas
  1. Métricas de evaluación, selección de parámetros y validación del modelo
  1. Metodología y aplicación de los modelos
  1. Comparación de resultados
  1. Conclusión

1. MOTIVACIÓN Y OBJETIVOS

1. MOTIVACIÓN

  • El pronóstico de series de tiempo es clave en múltiples ámbitos

  • Crecimiento exponencial en la cantidad de datos disponibles

  • Los métodos actuales de pronóstico requieren amplios conocimientos, son difíciles de automatizar y/o son demandantes computacionalmente

1. MOTIVACIÓN

Modelos fundacionales preentrenados

  • Capaces de seleccionar de forma automática el mejor ajuste

  • No requieren entrenamiento previo ni conocimientos especializados

  • Basados en arquitecturas transformer

Tip

¿Qué tan bien se desempeñan?

1. OBJETIVOS

  • Comparar la precisión, eficiencia y facilidad de pronosticar series de tiempo

    • ARIMA

    • XGBoost y LightGBM

    • LSTM

    • TimeGPT y Chronos

  • Definir y aplicar métricas de evaluación

    • MAPE

    • Interval score

  • Reflexionar sobre los criterios de selección de modelos

2. BREVE INTRODUCCIÓN A SERIES DE TIEMPO

2. INTRODUCCIÓN A SERIES DE TIEMPO

Serie de tiempo

Conjunto de observaciones \(\{z_1, z_2, ..., z_t, ..., z_n\}\) cuantitativas ordenadas en el tiempo.

2. INTRODUCCIÓN A SERIES DE TIEMPO


Componentes de una serie


Tendencia

Estacionalidad

Residuos

2. INTRODUCCIÓN A SERIES DE TIEMPO

Tendencia

2. INTRODUCCIÓN A SERIES DE TIEMPO

Estacionalidad

2. INTRODUCCIÓN A SERIES DE TIEMPO

Residuos

2. INTRODUCCIÓN A SERIES DE TIEMPO

Estacionariedad

  • Media constante en el tiempo

  • Variancia constante en el tiempo

  • Correlación entre observaciones dependiente únicamente de la distancia en el tiempo

3. PRESENTACIÓN DE LAS SERIES ANALIZADAS

3. PRESENTACIÓN DE LAS SERIES ANALIZADAS

  • Número de atenciones en guardia por patologías respiratorias en el hospital en el Hospital de Niños Víctor J. Vilela de la ciudad de Rosario.

  • Número trabajadores asalariados en el rubro de la enseñanza privada en Argentina.

  • Temperatura (Cº) por hora en la ciudad de Rosario.

3. PRESENTACIÓN DE LAS SERIES ANALIZADAS

Atenciones en guardia

3. PRESENTACIÓN DE LAS SERIES ANALIZADAS

Trabajadores asalariados

3. PRESENTACIÓN DE LAS SERIES ANALIZADAS

Temperaturas

3. PRESENTACIÓN DE LAS SERIES ANALIZADAS



3. PRESENTACIÓN DE LAS SERIES ANALIZADAS

4. MÉTRICAS DE EVALUACIÓN, SELECCIÓN DE PARÁMETROS Y VALIDACIÓN DEL MODELO

4. MÉTRICAS DE EVALUACIÓN, SELECCIÓN DE PARÁMETROS Y VALIDACIÓN DEL MODELO